步级奖赏模型究竟在奖励什么？来自增强型蒙特卡罗树搜索的反直觉发现

本研究针对步级奖赏模型（SRMs）在数学推理中的应用，揭示了其作用机制的反直觉特性。通过探索基于蒙特卡罗树搜索的方法，发现去除自然语言描述对SRMs效果影响微小，并且SRMs在评估数学语言中的复杂逻辑一致性方面表现良好，但在自然语言中却面临困难。这些发现为提高数学推理中的SRMs效率提供了深刻的见解。